NEIST: A Neural-Enhanced Index for Spatio-Temporal Queries

最新推荐文章于 2024-07-21 07:50:37 发布
最新推荐文章于 2024-07-21 07:50:37 发布
阅读量132 收藏
点赞数
分类专栏： 城市计算 时空轨迹数据 学习索引 文章标签： 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zj_18706809267/article/details/131713842
版权

NEIST: A Neural-Enhanced Index for Spatio-Temporal Queries（TKDE2022）

在本文中，我们提出了一种神经增强索引NEIST，通过智能地利用运动对象之间的运动模式来提高处理时空查询的效率和准确性。NEIST应用递归神经网络(RNN)模型根据观察到的轨迹来预测运动物体的未来位置。为了减少预测开销，进一步构建后缀树来索引具有相似后缀的轨迹，从而将给定相似性范围内的相似对象分组在一起以共享相同的预测结果。NEIST的预测结果表示一组运动对象在接下来的t个时隙中的可能位置。在每个时隙内，采用传统的线性预测模型，构建TPR-Tree，支持时空查询。我们使用新加坡和波尔图出租车轨迹数据集来评估NEIST。与以前的方法相比，NEIST实现了更高效的查询性能，并且能够产生大约70%以上的准确性结果。 

1.模型

NEIST主要由三个部分组成:轨迹预测模型、轨迹后缀树索引和基于时隙的tpr树(TS-TPR)。1)它的现有轨迹被用作神经模型的输入，神经模型将生成对轨迹的预测。 

2)后缀树索引了共享相似轨迹的移动对象的预测结果。如果一个新对象与由后缀树索引的对象具有相似的轨迹,我们直接返回预测结果，这大大减少了预测开销

3)将神经模型或后缀树索引生成的预测结果插入到TS-TPR中，以回答预测的时空查询。 

2.具体模型扩展<

最低0.47元/天 解锁文章
西西弗的小蚂蚁
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
[2021] Spatio-Temporal Graph Contrastive Learning
小卜妞的博客
04-21 1674
21-Spatio-Temporal Graph Contrastive Learning 郑宇、梁玉轩 1 摘要 深度学习模型是时空图(STG)预测的现代工具。尽管它们很有效，但它们需要大规模的数据集来获得更好的性能，并且容易受到噪声扰动。为了减轻这些限制，一个直观的想法是使用流行的’数据增强’和’对比学习’技术。然而，现有的图对比学习方法由于三个原因不能直接应用于STG预测。 经验发现，预测任务无法从对比学习得到的预先训练的表征中获益。 用于击败噪声的数据增强方法对STG数据的探索较少。 忽略了样本的
论文阅读——Where to Go Next: A Spatio-Temporal Gated Network for Next POI Recommendation
高自强的博客
03-01 2053
00 文章基本信息 01 摘要 当前RNNs在处理neighbor check-ins时存在的弊端： rarely consider the spatio-temporal intervals between neighbor check-ins, which are essential for modeling user check-in behaviors in next POI recommendation. our contributions： we propose a new Spatio-
Spatio-Temporal Graph Convolutional Networks A Deep Learning Framework for Traffic Forecasting
qq_41451283的博客
07-22 1022
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting 1.文章概述 在交通领域的预测问题，先前模型在短期预测上能取得较好的效果，但是在中长期的的预测中效果并不太好。 作者在文中将传统的中长期预测方法分为两种： 动态建模：使用数学工具和物理知识，该方法需要复杂的编程和巨大的算力消耗，且模型中使用了很多不切实际的假设和简化。 数据驱动：ARIMA该方法基于数据是平稳的假设不
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic
热门推荐
zzx3163967592的博客
07-14 1万+
IJCAI 2018，大体思路：使用Kipf & Welling 2017的近似谱图卷积得到的图卷积作为空间上的卷积操作，时间上使用一维卷积对所有顶点进行卷积，两者交替进行，组成了时空卷积块，在加州PeMS和北京市的两个数据集上做了验证。但是图的构建方法并不是基于实际路网，而是通过数学方法构建了一个基于距离关系的网络。原文链接：Spatio-Temporal Graph Convoluti...
Pre-training Enhanced Spatial-temporal Graph Neural Network for Multivariate Time Series Forecasting
小蚂蚁与大象
08-18 3480
TSFormer能够有效地从非常长期的历史时间序列中学习时间模式并生成段级表示，这为STGNNs的短期输入提供了丰富的上下文信息，并促进了时间序列之间的建模依赖。其次，设计了一个基于TSFormer表示的图结构学习器，用于学习离散依赖图，并将基于TSFormer表示计算的𝑘NN图作为正则化项来指导图结构和STGNN的联合训练。训练前模型旨在有效地学习非常长期的历史时间序列的时间模式，并生成分段级表示，其中包含丰富的上下文信息，这有利于解决第一个挑战。此外，随着输入序列长度的增加，模型的优化也会出现问题。..
ICLR 2024时空数据（Spatial-Temporal）论文汇总
suzukiwudi的博客
01-30 1644
ICLR（International Conference on Learning Representations）在5月7日-11日在奥地利维也纳举行。今年，ICLR共收到7262篇投稿，总体录用率在31%。 本文总结了ICLR 24有关时空数据的相关论文，如有疏漏，欢迎大家补充。其中包含时空预测，气象预测，因果推断，时空图神经网络，地理大模型等的应用。供大家学习，欢迎大家补充。
[论+1]【CAFGCN】Cross-Attention Fusion Based Spatial-Temporal Multi-Graph Convolutional Network for
panbaoran913的博客
06-12 833
准确的交通流预测对于建设智慧交通城市至关重要。现有的研究主要采用给定的单一图结构作为模型，只考虑局部和静态的空间依赖关系，忽略了动态时空数据多样性的影响。为了充分捕捉时空数据多样性的特点，提出了一种基于交叉注意融合的时空多图卷积网络（CAFMGCN）交通流预测模.....................
基于信息增强传输的时空图神经网络交通流预测 Spatial-Temporal Graph Neural Network for Traffic Flow Prediction Based on Inf
daisyxyr的博客
04-25 649
7.基于信息增强传输的时空图神经网络交通流预测 Spatial-Temporal Graph Neural Network for Traffic Flow Prediction Based on Information Enhanced Transmission 摘要：交通问题不仅影响人们的出行，同时也会带来环境污染以及安全等问题，准确的交通流预测是构建智能交通系统、预防和缓解交通问题的关键.目前的预测方法大多没有考虑到交通流动态的时空相关性、周期性以及线性与非线性等特点.在充分考虑上述因素的基础上，提出
计算机视觉论文-2021-12-01
中科院AI算法工程师的博客
12-02 4822
本专栏是计算机视觉方向论文收集积累，时间：2021年12月1日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） 标题：EA GAN ：一种高效的两阶段进化结构搜索算法 作者：应国浩；贺新；高斌；韩波；储小文 类别： cs.简历 [cs.简历LG， cs.NE]突出：为了缓解不稳定的问题，我们提出了一个有效的两阶段进化算法（ EA ）基于 NAS 框架来发现 ...
Learning Tree: Neural Network-based Index for NDN Forwarding Plane
02-08
To realize this paradigm, a quick enough index with high capacity for forwarding processes has to be utilized in NDN forwarding plane. Unfortunately, all indexes proposed are based on the traditional...
keras实现：图像描述---Show and Tell: A Neural Image Caption Generator
11-08
完整工程：图像描述---Show and Tell: A Neural Image Caption Generator，使用keras实现图像描述，运行环境（keras==2.0.3，tensorflow==1.1.0，pandas==0.19.1，numpy==1.12.1，h5py==2.7.0，matplotlib==2.1.0，...
Spatio-temporal_Graph_Convolutional_Neural_Network.pdf
03-31
Spatio-temporal Graph Convolutional Neural Network: A Deep Learning Framework for Traffic Forecasting Bing Yu
neural-fortran:并行神经网络微框架
08-05
cd neural-fortran 依赖项： Fortran 2018 兼容编译器 OpenCoarrays（可选，用于并行执行，仅限 GFortran） BLAS、MKL（可选） 使用 fpm 构建 以串行模式构建 fpm build --flag "-cpp -O3 -ffast-math fcoarray...
LSTM-Neural-Network-for-Time-Series-Prediction-master.rar
06-13
标题中的“LSTM-Neural-Network-for-Time-Series-Prediction-master”暗示了这是一个关于使用长短期记忆（LSTM）神经网络进行时间序列预测的项目。时间序列预测是一种利用历史数据来预测未来的统计方法，特别适合...
【深度学习】PyTorch框架(6)：GNN图神经网络理论和实践
MUKAMO的博客
07-19 943
本文深入探讨了神经网络在图结构数据处理中的应用，介绍了图的邻接矩阵和边列表表示方法，以及图卷积网络（GCN）和图注意力网络（GAT）的实现。实践表明，图信息对提升预测模型性能至关重要，GNNs在社交网络、生物信息学、交通优化和推荐系统等领域具有巨大潜力，未来在AI领域将扮演更重要角色。
神经网络之卷积神经网络
m0_53881899的博客
07-19 360
神经网络之卷积神经网络
3.1-RNN存在的问题以及LSTM的结构
colleges的博客
07-18 699
阐述了RNN存在的梯度消失和梯度爆炸问题；引入LSTM，说明了LSTM的遗忘门、输入门、输出门、新增记忆单元的结构；以及为什么LSTM能够缓解梯度消失从而实现长期记住短期记忆
昇思25天学习打卡营第20天 | LSTM+CRF序列标注
最新发布
嫦娥妹妹等等我的博客
07-21 247
在自然语言处理（NLP）的领域中，序列标注是一个基础且关键的任务，涉及到从文本数据中提取有用信息，如命名实体识别（NER）、词性标注（POS）等。本次学习重点是探索如何结合长短时记忆网络（LSTM）和条件随机场（CRF）来执行序列标注任务，尤其是在命名实体识别上的应用。
ISSCC2021: Scalable In-Memory Computing for Deep Neural Network Processors
"ISSCC2021_Session_15V_Compute-in-Memory Processors for Deep Neural Networks.pdf" 本文档是2021年国际固态电路会议（ISSCC）第15场会议的报告，重点讨论了计算内存处理器在深度神经网络（DNN）中的应用。会议...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值